ALJABAR LINEAR

SUMANANG MUHTAR GOZALI

KBK ANALISIS

UNIVERSITAS PENDIDIKAN INDONESIA

BANDUNG
2010
2

KATA PENGANTAR
Bismillahirrahmanirrahim

Segala puji bagi Allah Rabb semesta alam. Shalawat serta salam bagi Rasul-
ullah Muhammad shallallahu alaihi wasallam. Tulisan ini merupakan hasil rangku-
man materi kuliah Aljabar Linear yang pernah diampu oleh Penulis. Uraian dibuat
sesederhana mungkin yang diharapkan dapat dipahami dengan mudah oleh peng-
guna tulisan ini. Terakhir, Penulis berharap semoga tulisan ini bermanfaat, khusus-
nya bagi para pembaca yang berminat dalam bidang aljabar.

Bandung, Maret 2010

Penulis,

Sumanang Muhtar Gozali

DAFTAR ISI

KATA PENGANTAR 2
DAFTAR ISI 3
1 Sistem Persamaan Linear dan Matriks 1
1.1 Sistem Persamaan Linear . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sistem Persamaan Linear Homogen . . . . . . . . . . . . . . . . . . . 9
1.3 Operasi Pada Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Ruang Vektor 11
2.1 Subruang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Ruang Baris dan Ruang Kolom . . . . . . . . . . . . . . . . . . . . . 14
3 Determinan 15
4 Ruang Hasil Kali Dalam 17
4.1 Hasil Kali Dalam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Basis Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5 Transformasi Linear 19
5.1 Kernel dan Peta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.2 Matriks Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6 Nilai Eigen dan Diagonalisasi 21
6.1 Nilai dan Vektor Eigen . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2 Diagonalisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
DAFTAR PUSTAKA 23

3
BAB 1

Sistem Persamaan Linear dan

Matriks

Pada bab pertama ini kita akan mempelajari sistem persamaan linear (SPL). Pem-
bahasan ditujukan untuk memahami metode dalam mencari solusi sistem persamaan
linear. Pemahaman yang mendalam akan metode ini akan sangat membantu mema-
hami bab-bab berikutnya. Selain itu kita juga akan mempelajari dasar-dasar operasi
pada matriks. Pembahasan meliputi operasi penjumlahan, perkalian, transpose dan
metode mencari invers matriks.

1.1 Sistem Persamaan Linear

Persamaan linear adalah suatu persamaan dimana variabel yang terlibat berderajat
paling tinggi satu. Jika kita mempunyai beberapa persamaan linear maka sekumpu-
lan persamaan linear itu disebut sistem persamaan linear. Suatu pasangan beberapa
bilangan disebut solusi dari suatu SPL jika pasangan tersebut memenuhi kebenaran
masing-masing persamaan dari SPL tersebut.
Sebagai contoh, perhatikan SPL dengan dua persamaan dan dua variabel
berikut
2x1 + x2 = 4
.
2x2 = −4
Dari persamaan kedua kita mendapatkan x2 = −2, sehingga dengan menyulihkan-
nya pada persamaan pertama kita peroleh x1 = 3. Dengan demikian SPL di atas

1
2 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS

mempunyai solusi x1 = 3, x2 = −2, dan tidak ada solusi lain. Jadi solusi SPL di
atas adalah tunggal.
Sekarang, perhatikan SPL berikutnya

x1 − 2x2 =3
.
3x1 − 6x2 = 9

Perhatikan bahwa jika kita mengalikan persamaan kedua dengan 1/3 maka diperoleh
persamaan pertama. Dengan kata lain, SPL ini ekuivalen dengan satu persamaan

x1 − 2x2 = 3.

Kita mempunyai banyak pilihan dari pasangan x1 dan x2 yang memenuhi persamaan
ini. Jika kita mengambil t ∈ R sebarang maka x1 = 3 + 2t, x2 = t merupakan solusi
persamaan ini. Dengan demikian SPL semula mempunyai solusi tak hingga banyak.
Selanjutnya, perhatikan SPL

x1 + 2x2 =2
.
4x1 + 8x2 = 6

Jika kita mengalikan persamaan kedua dengan 1/4 maka kita peroleh persamaan

x1 + 2x2 = 3/2.

Jadi SPL semula ekuivalen dengan

x1 + 2x2 = 2
.
x1 + 2x2 = 3/2

Jelas bahwa tidak ada pasangan x1 dan x2 yang memenuhi persamaan ini. Oleh
karena itu SPL ini tidak mempunyai solusi.
Tiga kemungkinan di atas juga berlaku pada sebarang SPL dengan m buah
persamaan dan n variabel. Sifat ini kita nyatakan dalam teorema berikut.

Teorema. Jika kita mempunyai sebuah SPL maka persis hanya satu dari tiga
kemungkinan berikut dipenuhi:

a. SPL mempunyai solusi tunggal

1.1. SISTEM PERSAMAAN LINEAR 3

b. SPL mempunyai solusi tak hingga banyak

c. SPL tidak mempunyai solusi.

Pada tiga contoh di atas kita tidak menemui kesulitan untuk menguji eksis-
tensi solusi karena banyaknya persamaan dan variabel hanya dua. Jika persamaan
atau variabelnya lebih banyak tentu masalahnya sedikit lebih sulit. Kita akan mem-
pelajari metode praktis untuk menguji eksistensi solusi SPL secara umum.
Sistem persamaan linear yang terdiri dari m buah persamaan linear dengan n
buah variabel x1 , ..., xn mempunyai bentuk umum

a11 x1 + · · · + a1n xn = b1
a21 x1 + · · · + a2n xn = b2
.. ..
. .
am1 x1 + · · · + amn xn = bm
Sistem ini dapat kita nyatakan dalam bentuk persamaan matriks

AX = B

dimana
     
a ... a1n x1 b1
 11     
 . .. ..   .   . 
A =  .. . . , x =  ..  , b =  ..  .
     
am1 ... amn xn bm
Dalam hal ini, A disebut matriks koefisien, X adalah matriks variabel, dan B ma-
triks konstan. Mulai sekarang kita akan mengidentifikasi SPL melalui persamaan
matriks AX = B seperti di atas. Selain itu, kita juga akan mengenali sifat-sifat
SPL melalui pengetahuan kita perihal matriks-matriks ini.
Oleh karena itu, perhatikan kembali SPL berikut

a11 x1 + · · · + a1n xn = b1
a21 x1 + · · · + a2n xn = b2
.. .. .
. .
am1 x1 + · · · + amn xn = bm
Jika kita menukar posisi dua buah persamaan atau mengalikan salah satu persamaan
dari SPL di atas dengan sebarang bilangan tak nol maka hal itu tidak akan mem-
pengaruhi solusi. Demikian pula jika kita menambahkan kelipatan suatu persamaan
4 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS

kepada persamaan lain maka tidaklah mengubah solusi SPL semula. Semua sifat ini
akan kita gunakan dalam menyederhanakan SPL sehingga solusinya mudah diper-
oleh.
Untuk kepraktisan kita akan bekerja dengan matriks lengkap dari SPL bersangku-
tan, yaitu matriks hasil penggabungan matriks koefisien dan matriks konstanta.
Kita akan menotasikan matriks lengkap ini dengan [A|B]. Sebagai contoh, per-
hatikan SPL
2x1 + x2 + 3x3 = 1
−x1 + x2 =2 .
3x1 − 2x2 + x3 = 0

SPL ini mempunyai matriks lengkap

 
2 1 3 1
 
 
 −1 1 0 2  .
 
3 −2 1 0

Operasi Baris Elementer (OBE)

Perhatikan matriks berukuran m × n berikut
 
a ... a1n
 11 
 .. .. .. 
A= . . . .
 
am1 ... amn

Kita menyebut masing-masing (ai1 ... ain ) sebagai baris-baris dari matriks A. Pada
matriks A kita dapat melakukan operasi-operasi berikut:

a. mengalikan suatu baris dengan bilangan tak nol

b. menambahkan kelipatan suatu baris pada baris lain

c. menukarkan sebarang dua buah baris

Ketiga operasi di atas disebut operasi baris elementer. Suatu matriks à yang diper-
oleh dari proses sejumlah hingga OBE pada matriks A, dikatakan ekuivalen (baris)
dengan matriks A. Dalam hal ini kita akan menggunakan notasi A ∼ Ã.
1.1. SISTEM PERSAMAAN LINEAR 5

Contoh Pandang matriks

 
1 0 −1
 
 
A =  2 1 −3  .
 
−3 2 0

Jika kita mengalikan baris pertama dengan -2, kemudian kita tambahkan pada per-
samaan kedua maka baris kedua berubah menjadi (0 1 − 1). Demikian pula jika
kita mengalikan baris pertama dengan 3, kemudian ditambahkan pada baris ketiga
diperoleh baris ketiga yang baru, yaitu (0 2 − 3). Jadi kita mendapatkan
   
1 0 −1 1 0 −1
   
   
A= 2 1 −3  ∼  0 1 −1  .
   
−3 2 0 0 2 −3

Berkaitan dengan ekivalensi baris dua buah matriks kita mempunyai lema berikut.

Lema. Perhatikan SPL yang dinyatakan dalam matriks lengkap [A|B]. Jika [A0 |B 0 ]
ekuivalen baris dengan [A|B] maka SPL AX = B ekuivalen dengan A0 X = B 0 .
Lema di atas mengatakan bahwa kedua SPL AX = B dan A0 X = B 0 mempun-
yai solusi yang sama, atau keduanya sama-sama tidak mempunyai solusi. Kita akan
menggunakan lema ini untuk mencari solusi suatu SPL. Secara umum, langkah yang
dilakukan adalah melakukan OBE pada matriks lengkap sehingga berubah menjadi
matriks segitiga atas.

Contoh. Tentukan solusi SPL

x1 − 2x2 + x3 = 2
−x1 + x2 =1 .
2x1 + x2 + x3 = 0

Jawab: SPL di atas mempunyai matriks lengkap

 
1 −2 1 2
 
 
 −1 1 0 1 .
 
2 1 1 0
6 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS

Tambahkan baris pertama pada baris kedua. Kemudian kalikan baris pertama den-
gan (-2) dan ditambahkan pada baris ketiga maka kita peroleh
   
1 −2 1 2 1 −2 1 2
   
   
 −1 1 0 1  ∼  0 −1 1 3 .
   
2 1 1 0 0 5 −1 −4
Selanjutnya, kalikan baris kedua dengan 5, kemudian tambahkan pada baris ketiga.
Baris ketiga sekarang berubah menjadi (0 0 4 11). Kemudian jika kita mengalikan
baris kedua dengan (-1) maka menjadi (0 1 − 1 − 3). Oleh karena itu, sekarang
kita mempunyai
     
1 −2 1 2 1 −2 1 2 1 −2 1 2
     
     
 −1 1 0 1  ∼  0 −1 1 3  ∼  0 1 −1 −3 .
     
2 1 1 0 0 5 −1 −4 0 0 4 11
Matriks terakhir ini bersesuaian dengan SPL

x1 − 2x2 + x3 =2
x2 − x3 = −3 .
4x3 = 11

Dari persamaan ketiga kita peroleh x3 = 11/4. Dengan menyulihkan x3 = 11/4

pada persamaan kedua kita dapatkan

x2 = −3 + x3 = −3 + 11/4 = −1/4.

Terakhir, dengan menyulihkan keduanya pada persamaan pertama kita peroleh

x1 = 2 + 2x2 − x3 = 2 + (−2)/4 − 11/4 = −5/4.

Jadi SPL semula mempunyai solusi tunggal

 
−5
1


x =  −1 .
4 
11
Contoh. Tentukan solusi dari

x1 − x2 + 2x3 =1
x1 + x2 − 2x3 =2 .
3x1 − 3x2 + 6x3 = 2
1.1. SISTEM PERSAMAAN LINEAR 7

Jawab: SPL di atas mempunyai matriks lengkap

 
1 −1 2 1
 
 
 1 1 −2 2  .
 
3 −3 6 2

Dengan melakukan OBE kita peroleh

   
1 −1 2 1 1 −1 2 1
   
   
 1 1 −2 2  ∼  0 2 −4 1 .
   
3 −3 6 2 0 0 0 −1

Perhatikan bahwa matriks terakhir bersesuaian dengan SPL

x1 − x2 + 2x3 =1
2x2 − 4x3 =1 .
0.x1 + 0.x2 + 0.x3 = −1

Perhatikan bahwa tidaklah mungkin ada x1 , x2 , x3 yang memenuhi persamaan

ketiga. Oleh karena itu kita menyimpulkan bahwa SPL semula tidak mempunyai
solusi.

Matriks Eselon Baris

Berdasarkan contoh-contoh di atas kita mengetahui bahwa jika matriks lengkap SPL
itu berbentuk segitiga atas maka proses mendapatkan solusi menjadi lebih mudah.
Demi kepentingan pada pembahasan berikutnya kita akan mendefinisikan satu pola
matriks yang disebut matriks eselon baris. Suatu matriks A dikatakan berbentuk
eselon baris jika memenuhi tiga sifat berikut:

a. Jika memuat baris tak nol maka entri tak nol paling kiri adalah 1,
selanjutnya kita sebut sebagai 1 utama

b. Untuk sebarang dua baris tak nol yang berurutan, 1 utama baris
lebih bawah terletak lebih kanan

c. Jika memuat baris-baris nol maka semuanya terletak di bagian bawah

matriks
8 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS

Selanjutnya, jika A adalah matriks eselon baris dan setiap kolom yang mempunyai
1 utama mempunyai entri 0 di tempat lain maka A disebut eselon baris tereduksi.

Contoh. Perhatikan tiga matriks berikut

     
1 1 0 3 1 −1 1 2 0 1 0 −1
     
     
A= 0 1 1 1  B =  0 1 1 1  C =  0 0 1 1 .
     
0 0 1 1 0 0 0 2 0 0 0 0

Matriks A eselon baris, matriks C eselon baris tereduksi, sementara matriks B bukan
eselon baris.

Definisi. Misalkan kita mempunyai SPL AX = B dengan matriks lengkap bentuk

eselon baris [A0 |B 0 ]. Variabel yang bersesuaian dengan kolom yang mempunyai 1
utama disebut variabel utama. Yang lainnya kita sebut variabel non utama.

Contoh. Perhatikan SPL

x1 + x2 − 3x3 + x4 =1
−2x1 − x2 − x3 − x4 + x5 = 0 .
x1 + x2 + x3 − x4 − 2x5 =2

SPL ini mempunyai matriks lengkap

 
1 1 −3 1 0 1
 
 
 −2 −1 −1 −1 1 0  .
 
1 1 1 −1 −2 2

Dengan melakukan OBE kita peroleh

   
1 1 −3 1 0 1 1 1 −3 1 0 1
   
   
 −2 −1 −1 −1 1 0  ∼  0 1 −7 1 1 2 
   
1 1 1 −1 −2 2 0 0 4 −2 −2 1
  .
1 1 −3 1 0 1
 
 
∼ 0 1 −7 1 1 2 
 
0 0 1 −1/2 −1/2 1/4
1.2. SISTEM PERSAMAAN LINEAR HOMOGEN 9

Jelas bahwa hanya tiga kolom pertama yang mempunyai 1 utama sehingga x1 , x2 , x3
merupakan variabel-variabel utama. Adapun x4 dan x5 adalah variabel-variabel non
utama.
Setelah kita mengenal matriks eselon baris, sekarang kita dapat menetapkan
salah satu prosedur mendapatkan solusi SPL, yaitu melalui tahap-tahap berikut:

1. Mengenali matriks lengkap [A|B]

2. Mengubah [A|B] ke bentuk eselon baris [A0 |B 0 ]

3. Jika setiap kolom matriks A0 mempunyai 1 utama maka solusi bersi-

fat tunggal

4. Variabel non utama dari matriks A0 memunculkan parameter

Contoh. Tentukan solusi dari

x1 + x2 − x3 + x4 =1
.
−2x1 − 2x2 + 3x3 − x4 + x5 = 0

Solusi: Kita lakukan OBE pada matriks lengkap untuk memperoleh bentuk eselon
baris    
1 1 −1 1 0 1 1 1 −1 1 0 1
 ∼ .
−2 −2 3 −1 1 0 0 0 1 1 1 2
Misalkan x2 = r, x4 = s, x5 = t. Kita peroleh x3 = 2 − s − t dan x1 = 3 − r − 2s − t.
Dengan demikian solusi SPL ini dapat kita tuliskan x1 = 3 − r − 2s − t, x2 = r, x3 =
2 − s − t, x4 = s, x5 = t.
Kriteria rank untuk eksistensi solusi

1.2 Sistem Persamaan Linear Homogen

1.3 Operasi Pada Matriks

10 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
BAB 2

Ruang Vektor

Suatu ruang vektor X atas K adalah suatu himpunan X yang dilengkapi dengan
operasi penjumlahan
u + v, u, v ∈ X

dan perkalian dengan skalar

αu, α ∈ K, u ∈ X

sehingga semua aksioma berikut terpenuhi:

V1. u + v = v + u

V2. (u + v) + w = u + (v + w)

V3. terdapat 0 ∈ X sehingga 0 + u = u.

V4. Untuk setiap x ∈ X terdapat −x ∈ X sehingga x + (−x) = 0.

V5. (α + β)x = αx + βx

V6. α(u + v) = αu + αv

V7. (αβ)x = α(βx)

V8. 1x = x

Contoh 2.0.1 Misalkan X = Rn dimana n = 1, 2, 3, ...; yaitu himpunan

11
12 BAB 2. RUANG VEKTOR

X = {x = (x1 , ..., xn ) : xi ∈ R}

Definisikan
(x1 , ..., xn ) + (y1 , ..., yn ) = (x1 + y1 , ..., xn + yn )

α(x1 , ..., xn ) = (αx1 , ..., αxn )

Contoh 2.0.2 Perhatikan himpunan polinom dengan derajat paling tinggi 2,

P2 = {a0 + a1 x + a2 x2 | a0 , a1 , a2 ∈ R}.

Definisikan

(a0 + a1 x + a2 x2 ) + (b0 + b1 x + b2 x2 ) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2

α(a0 + a1 x + a2 x2 ) = (αa0 ) + (αa1 )x + (αa2 )x2

Contoh 2.0.3 Misalkan X = Mm×n (R); yaitu himpunan X yang memuat semua
matriks berukuran m × n.
Definisikan
     
a ... a1n b ... b1n a11 + b11 ... a1n + b1n
 11   11   
 .. .   .. .   .. .. 
 . ... ..  +  . ... .. = . ... . 
     
am1 ... amn bm1 ... bmn am1 + bm1 ... amn + bmn
   
a11 ... a1n αa11 ... αa1n
   
 .. ..   .. .. 
α . ... .  =  . ... . 
   
am1 ... amn αam1 ... αamn

2.1 Subruang
Let X be a vector space over R, and Y ⊆ X, (Y 6= ∅).
Y is a subspace of X if Y is itself a vector space over R with respect to the operations
of vector addition and scalar multiplication X.

Contoh 2.1.1 Let X = R2 .

Consider the following subsets of X:
2.1. SUBRUANG 13

1. Y1 = {(x, 0) | x ∈ R}

2. Y2 = {(x, 2x) | x ∈ R}

Teorema 2.1.1 Let X be a vector space over R, Y ⊆ X, (Y 6= ∅).

Y is a subspace of X if Y satisfies two following conditions:

1. x + y ∈ Y, ∀x, y ∈ Y

2. αx ∈ Y, ∀α ∈ R, x ∈ Y

Let X be a vector space over R, and S = {x1 , ..., xn } are set of vectors in
X. x is called linear combination of S = {x1 , ..., xn } if there exists scalars α1 , ..., αn
such that
x = α1 x1 + ... + αn xn

(4,5) is linear combination of (2,1) and (3,3), because we can write

−1(2, 1) + 2(3, 3) = (4, 5)

Definisi 2.1.1 Let X be a vector space over R, and S ⊆ X.

X is spanned by S if every vector y in X is linear combination of S.

Consider S = {(1, 1), (1, 2)} ⊂ X = R2 .

If we take (a, b) ∈ X arbitrarily, we can find scalars α, β such that

α(1, 1) + β(1, 2) = (a, b).

Consider the set S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊂ X = R3 . For every
(a, b, c) ∈ X, we can write

(a, b, c) = a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1).

So we conclude that S spans X.

Definisi 2.1.2 Let S = {x1 , ..., xn } are set of vectors in X. S is linearly indepen-
dent if
0 = α1 x1 + ... + αn xn

has unique solution.

14 BAB 2. RUANG VEKTOR

2.2 Basis
Definisi 2.2.1 Let S = {x1 , ..., xn } are set of vectors in X.
S is called basis of X if S linearly independent and Spans X.
The number n of all vectors in the basis is called dimension of X. (dim(X)=n).

2.3 Ruang Baris dan Ruang Kolom

BAB 3

Determinan

15
16 BAB 3. DETERMINAN
BAB 4

Ruang Hasil Kali Dalam

4.1 Hasil Kali Dalam

Definisi 4.1.1 Let X be a vector space over R. An inner product h., .i is a function
on X × X which satisfies:

1 hx, xi ≥ 0; and hx, xi = 0 ⇔ x = 0

2 hx, yi = hy, xi

3 hαx, yi = αhx, yi

4 hx, y + zi = hx, yi + hx, zi

The pair (h., .i, X) is called inner product space.

Let (h., .i, X) be an inner product space, and x ∈ X.

Norm (length) of x is the number

1
kxk = hx, xi 2

Let x, y are nonzero vectors in X. The angle between x and y is θ for which

hx, yi
cos θ =
kxk.kyk

Teorema 4.1.1 Untuk sebarang x, y ∈ X

|hx, yi| ≤ kxkkyk

17
18 BAB 4. RUANG HASIL KALI DALAM

4.2 Basis Ortonormal

Let S = {x1 , ..., xn } are set of vectors in X.
S is an orthogonal set if xi 6= xj when i 6= j.
Let S = {x1 , ..., xn } are set of vectors in X.
S is an orthonormal set if S is orthogonal and kxi k = 1, ∀i
Suppose S = {x1 , ..., xr } is orthonormal basis for subspace W of X, and
x ∈ X.
The projection of x along W is

P rojW x = hx, x1 ix1 + ... + hx, xr ixr

Definisi 4.2.1

Teorema 4.2.1
BAB 5

Transformasi Linear

Definisi 5.0.2 Let V, W are vector spaces over R.

The transformation
f :V →W

is said to be linear if for all x, y ∈ V, α ∈ R, the following axioms hold:

1. f (x + y) = f (x) + f (y)

2. f (αx) = αf (x)

5.1 Kernel dan Peta

Let f : V → W be a linear transformation.
We define Kernel and Range of f as sets

Ker(f ) = {v ∈ V |f (v) = 0}

and
R(f ) = {w ∈ W |w = f (u), u ∈ V }

Teorema 5.1.1 Let f : V → W be a linear

1. Ker(f ) is a subspace of V .

2. R(f ) is a subspace of W

19
20 BAB 5. TRANSFORMASI LINEAR

5.2 Matriks Transformasi

Let V, W be finite dimensional vector spaces with basis B = {v1 , ..., vn } for V , and
B 0 = {w1 , ..., wn } for W . If f : V → W is linear, representation matrix of f is
defined by
h i
[f ]BB 0 = [f (v1 )]B 0 ... [f (vn )]B 0
BAB 6

Nilai Eigen dan Diagonalisasi

6.1 Nilai dan Vektor Eigen

Definisi 6.1.1 Let M be a n × n matrix over R. λ ∈ R is called an eigenvalue of
M if there exists a nonzero vector x ∈ Rn for which

M x = λx

Every vector satisfying this relation is then called an eigenvector of M belonging to

the eigenvalue λ.

Let λ be an eigenvalue of M , and x is the correspondence eigenvector. Con-

sider the relation
M x = λx.

This equation is equivalent to

(λI − M )x = 0.

Then x is a solution of the system (λI − M )x = 0.

Therefore, we have
|(λI − M )| = 0.

Teorema 6.1.1 The following are equivalent:

1. λ is an eigenvalue of M

21
22 BAB 6. NILAI EIGEN DAN DIAGONALISASI

2. x is a solution of the system (λI − M )x = 0.

3. |(λI − M )| = 0

6.2 Diagonalisasi
Definisi 6.2.1 A n × n matrix M is said to be diagonalizable if there exists a non-
singular matrix P for which
D = P −1 M P

where D is a diagonal matrix.

Teorema 6.2.1 Let M be a n × n matrix over R. If M has linearly independent

set of n eigenvectors then M is diagonalizable. Moreover,

Teorema 6.2.2 Let M be a n × n matrix over R. If M has n distinct eigenvalues

then M is diagonalizable.
DAFTAR PUSTAKA

[1] Anton, Howard (1985), Aljabar Linear Elementer, Erlangga.

[2] Jacob, Bill. (1978), Linear Algebra, W.H. FREEMAN & COMPANY.

[3] Arifin, Achmad (2000), Aljabar Linier, Penerbit ITB.

[4] Friedberg, Stephen H., Insel Arnold J., Spence, Lawrence E. . (1997), Linear
Algebra, Prentice Hall.

23